MIT＋IBM同時(shí)利用AI探索神經(jīng)科學(xué)，讓腦科學(xué)研究如虎添翼

最近，有兩項分別來(lái)自麻省理工學(xué)院和IBM的研究，利用人工智能幫助人們進(jìn)行神經(jīng)科學(xué)領(lǐng)域的研究，進(jìn)一步幫助人們加速對人類(lèi)大腦的理解。

一方面，麻省理工學(xué)院的研究人員正在訓練機器學(xué)習模型，研究從單個(gè)分割的大腦掃描圖像和未標記的掃描圖像中，分割大腦解剖結構，從而使用人工智能實(shí)現神經(jīng)科學(xué)圖像分割的自動(dòng)化。

另一方面，IBM的研究人員創(chuàng )建了一個(gè)基于云端的神經(jīng)科學(xué)模型，用于研究神經(jīng)退行性疾?。ㄓ纱竽X和脊髓的神經(jīng)元或髓鞘的喪失所致，并隨著(zhù)時(shí)間推移而惡化，導致出現功能障礙），并使用模擬生物進(jìn)化的算法來(lái)解決復雜問(wèn)題。

一、卷積神經(jīng)網(wǎng)絡(luò )為卡牌實(shí)時(shí)提供信息

在前段時(shí)間舉行的模式識別與計算機視覺(jué)大會(huì )（Conference on Computer Vision and Pattern Recognition）上，來(lái)自麻省理工學(xué)院的一組研究人員提出了一種創(chuàng )新的人工智能系統。

該系統可以學(xué)習從單個(gè)分段腦掃描圖像和未標記的掃描圖像中，分割解剖腦結構，實(shí)現自動(dòng)化神經(jīng)科學(xué)圖像分割。

這種用于神經(jīng)科學(xué)的新型人工智能系統，是基于一款發(fā)行于1993年的著(zhù)名集換式卡牌游戲（Collectible card game）《萬(wàn)智牌（Magic：The Gathering）》而研發(fā)。

Amy Zhao是麻省理工學(xué)院電氣工程與計算機科學(xué)系（EECS），以及計算機科學(xué)與人工智能實(shí)驗室（CSAIL）的研究生，同時(shí)也是該項研究的第一作者。

最初，她嘗試使用一個(gè)由卷積神經(jīng)網(wǎng)絡(luò )（CNN）技術(shù)創(chuàng )建的應用程序，根據智能手機拍攝的照片，實(shí)時(shí)為《萬(wàn)智牌》中的紙牌提供卡牌的類(lèi)別、屬性和施放費用等詳細信息。

這項技術(shù)的挑戰在于，計算機視覺(jué)任務(wù)需要一組照片數據集，該數據集不僅包含20,000張游戲卡牌，而且還包含每張卡牌的不同拍攝外觀(guān)和拍攝屬性（如照明）的圖片版本。

但是，手動(dòng)創(chuàng )建這樣的一個(gè)數據集需要花費大量的實(shí)踐和精力，因此Amy開(kāi)始通過(guò)合成數據集中所有卡牌的變形版本，來(lái)自動(dòng)創(chuàng )建數據集。

卷積神經(jīng)網(wǎng)絡(luò )是一種深度學(xué)習算法，具有人工神經(jīng)網(wǎng)絡(luò )結構，該算法受生物大腦視覺(jué)皮層的啟發(fā)，用一小部分數據進(jìn)行訓練。

Amy使用200張卡牌，每張卡牌分別搭配10張照片，讓卷積神經(jīng)網(wǎng)絡(luò )經(jīng)過(guò)訓練，學(xué)習如何判斷卡牌的所處的不同位置和照片外觀(guān)，如亮度、反射和照片角度，從而能夠合成數據集內所有卡牌的真實(shí)變形版本組。

二、卷積神經(jīng)網(wǎng)絡(luò )分析腦圖像的過(guò)程

Amy發(fā)現，這種變形的方法可以應用于磁共振成像（Magnetic Resonance Imaging，簡(jiǎn)稱(chēng)MRI）中。磁共振成像是斷層成像的一種，能夠利用磁共振現象從人體中獲得電磁信號，并重建出人體信息。

人工智能深度學(xué)習的模式識別功能是機器學(xué)習的一個(gè)子集，它幫助神經(jīng)科學(xué)家對腦圖像進(jìn)行復雜的分析。然而，訓練該機器學(xué)習算法是一個(gè)昂貴的、勞動(dòng)密集型的挑戰。

一方面，對于神經(jīng)科學(xué)研究，訓練機器學(xué)習通常需要神經(jīng)科學(xué)家在每一次的腦部掃描中，手動(dòng)對解剖結構進(jìn)行數據標記。

另一方面，圖像分割是基于共享特征對圖像像素進(jìn)行標記的過(guò)程，而磁共振成像的圖像又是一個(gè)以三維像素形式呈現的體素。

因此，神經(jīng)科學(xué)的研究人員經(jīng)常需要根據大腦的解剖結構，對體素區域進(jìn)行分離和標記，手工進(jìn)行圖像分割。

Amy與麻省理工學(xué)院博士后助理Guha Balakrishnan、Frédo Durand教授、John V. Guttag教授，以及資深作家Adrian V. Dalca，使用單一標記的分段腦MRI掃描和一組100個(gè)未標記的病人掃描，完成了自動(dòng)化神經(jīng)科學(xué)圖像分割過(guò)程。

在研究過(guò)程中，研究人員使用了兩個(gè)卷積神經(jīng)網(wǎng)絡(luò )。

首先，卷積神經(jīng)網(wǎng)絡(luò )從100個(gè)未標記的掃描中學(xué)習亮度、對比度、噪聲和空間變換流場(chǎng)（指運動(dòng)流體所占的空間區域里的速度、壓強等因素）的變化，這些變化模擬了掃描之間的體素運動(dòng)。

其次，為了合成新的標記掃描，系統生成一個(gè)隨機的流場(chǎng)，并將這個(gè)隨機的流場(chǎng)應用于標記的MRI掃描，以匹配未標記掃描數據集中實(shí)際患者的MRI。然后，系統將所學(xué)習到的亮度、對比度和噪聲變化進(jìn)行隨機組合。

最后，系統根據提速運動(dòng)的流場(chǎng)，將標簽標記到合成掃描的圖像中。這些合成的掃描圖像將被輸入到一個(gè)單獨的卷積神經(jīng)網(wǎng)絡(luò )，以便訓練該卷積神經(jīng)網(wǎng)絡(luò )學(xué)習如何分割新的圖像。

三、該框架可合成逼真多樣的標記實(shí)例

此外，研究小組對30種大腦結構的圖像分割系統進(jìn)行了100次掃描，并將其與現有的自動(dòng)和手動(dòng)分割方法進(jìn)行了比較。結果表明，該方法與現有的圖像分割方法相比有了顯著(zhù)改進(jìn)，特別是在海馬體等較小的大腦結構方面。

研究人員在論文中表示，在他們的測試集中，分割器在每個(gè)例子上都比現有的單次分割方法做得更好，接近完全監督模型的性能（之前大多是半監督的）。該機器學(xué)習框架可在多個(gè)醫學(xué)領(lǐng)域應用，比如臨床設置，在臨床設置中由于時(shí)間限制，通常只允許手工注釋少量掃描。

對此，麻省理工學(xué)院的研究人員表明，通過(guò)機器學(xué)習從未標記的大腦掃描圖像中，獨立的空間和外觀(guān)轉換模型，可以合成逼真多樣的標記實(shí)例。

另外，系統生成的合成示例可以用來(lái)訓練性能等于甚至優(yōu)于當前圖像分割方法的分割模型，這也是為什么《萬(wàn)智牌》能催生一種可訓練人工智能深度學(xué)習算法的新方法。